语言: zh-HK
许可证: apache-2.0
标签:

• 自动语音识别
• 训练生成
• hf-asr-leaderboard
• 鲁棒语音赛事

数据集:

• common_voice

模型索引:

• 名称: Wav2Vec2 XLS-R 300M 粤语(zh-HK)语言模型
  结果:
  • 任务:
    名称: 自动语音识别
    类型: automatic-speech-recognition
    数据集:
    名称: Common Voice
    类型: common_voice
    参数: zh-HK
    指标:
    • 名称: 测试CER
      类型: cer
      值: 24.09
  • 任务:
    名称: 自动语音识别
    类型: automatic-speech-recognition
    数据集:
    名称: Common Voice 7
    类型: mozilla-foundation/common_voice_7_0
    参数: zh-HK
    指标:
    • 名称: 测试CER
      类型: cer
      值: 23.1
  • 任务:
    名称: 自动语音识别
    类型: automatic-speech-recognition
    数据集:
    名称: Common Voice 8
    类型: mozilla-foundation/common_voice_8_0
    参数: zh-HK
    指标:
    • 名称: 测试CER
      类型: cer
      值: 23.02
  • 任务:
    名称: 自动语音识别
    类型: automatic-speech-recognition
    数据集:
    名称: 鲁棒语音赛事 - 开发数据
    类型: speech-recognition-community-v2/dev_data
    参数: zh-HK
    指标:
    • 名称: 测试CER
      类型: cer
      值: 56.86
  • 任务:
    名称: 自动语音识别
    类型: automatic-speech-recognition
    数据集:
    名称: 鲁棒语音赛事 - 测试数据
    类型: speech-recognition-community-v2/eval_data
    参数: zh-HK
    指标:
    • 名称: 测试CER
      类型: cer
      值: 55.76

Wav2Vec2 XLS-R 300M 粤语(zh-HK)语言模型

Wav2Vec2 XLS-R 300M 粤语(zh-HK)语言模型是基于XLS-R架构的自动语音识别模型。该模型是在Common Voice数据集的zh-HK子集上对Wav2Vec2-XLS-R-300M进行微调的版本。随后，基于多个PyCantonese语料库训练的5-gram语言模型被添加到该模型中。

该模型使用HuggingFace的PyTorch框架训练，并参与了由HuggingFace组织的鲁棒语音挑战赛事。所有训练均在OVH赞助的Tesla V100上完成。

训练使用的所有必要脚本可在文件与版本选项卡中找到，训练指标通过Tensorboard记录。

关于N-gram语言模型的训练，我们遵循了HuggingFace提供的博客教程。

模型

评估结果

该模型在不使用语言模型时的评估结果如下：

加入语言模型后，其评估结果如下：

训练流程

训练过程未涉及语言模型的添加。以下结果直接取自原始自动语音识别模型训练。

训练超参数

训练中使用的超参数如下：

• 学习率: 0.0001
• 训练批次大小: 8
• 评估批次大小: 8
• 随机种子: 42
• 梯度累积步数: 4
• 总训练批次大小: 32
• 优化器: Adam，参数为betas=(0.9, 0.999)和epsilon=1e-08
• 学习率调度器类型: 线性
• 学习率预热步数: 2000
• 训练轮数: 100.0
• 混合精度训练: 原生AMP

训练结果

免责声明

请注意预训练数据集中可能存在的偏见可能会影响该模型的结果。

作者

Wav2Vec2 XLS-R 300M 粤语(zh-HK)语言模型由Wilson Wongso训练和评估。所有计算和开发均在OVH云上完成。

框架版本

• Transformers 4.17.0.dev0
• Pytorch 1.10.2+cu102
• Datasets 1.18.4.dev0
• Tokenizers 0.11.0